Використання еволюціонуючої графової нейронної мережідля прогнозування цін на фондовому ринку

Abstract

Прогнозування цін на акції має важливе значення для ухвалення обґрунтованих інвестиційних рішень на фінан-совому ринку. Аналіз рухів фінансового ринку та поведінки цін на акції надзвичайно складний через динамічну, нелінійну, нестаціонарну, непараметричну та хаотичну природу ринків. Для аналізу акцій з метою прогнозування фінансового ринку використовуються різні підходи. Традиційні методи, що засновані на інформації про часові ряди для акцій однієї компанії, не враховують взаємозв’язки між акціями інших компаній. Використання для цих цілей графових нейронних мереж (Graph Neural Networks – GNN), у яких взаємозв’язки часових рядів представ-лені як структура графа, а змінні представлені як вузли графа, значно підвищує точність прогнозування. У даній роботі для прогнозування цін акцій на фінансовому ринку пропонується використання еволюціонуючої графової нейронної мережі. Для отримання динамічних кореляцій між рухами цін у фінансових часових рядах будується граф взаємозв’язків у вигляді кластерів, генерація та еволюція структури та параметрів якої реалізуються з використанням дендритної штучної імунної мережі (Dendritic Artificial Immune network – DaiNet). До кожного згенерованого клас-тера графа взаємозв’язків для визначення цінової інформації виконується кодування цін за допомогою трансформерів. Потім повідомлення із структури графа взаємозв’язків та вхідні часові послідовності агрегуються на основі використання шару уваги часового графа. На останньому шарі GNN виконується остаточний прогноз майбутнього руху ціни кожної акції з використанням багатошарового персептрона. Проведені експериментальні дослідження показали, що використання динамічної побудови графів та кластеризації акцій на основі DaiNet не лише відстежує часовий характер зв’язків між акціями, але й покращує ефективність прогнозування.